Inférence en direct avec l'application Streamlit à l'aide de Ultralytics YOLOv8

Introduction

Streamlit simplifie la création et le déploiement d'applications web interactives. La combinaison avec Ultralytics YOLOv8 permet la détection et l'analyse d'objets en temps réel directement dans ton navigateur. YOLOv8 La précision et la vitesse élevées garantissent des performances transparentes pour les flux vidéo en direct, ce qui en fait la solution idéale pour les applications dans les domaines de la sécurité, de la vente au détail et autres.

Regarde : How to Use Streamlit with Ultralytics for Real-Time Computer Vision in Your Browser

Aquaculture	Élevage d'animaux
Détection des poissons à l'aide de Ultralytics YOLOv8	Détection des animaux à l'aide de Ultralytics YOLOv8

Avantages de l'inférence en direct

• Détection transparente d'objets en temps réel: Streamlit combiné à YOLOv8 permet la détection d'objets en temps réel directement à partir du flux de ta webcam. Cela permet une analyse et un aperçu immédiats, ce qui en fait un outil idéal pour les applications nécessitant un retour d'information instantané.
• Déploiement convivial: L'interface interactive de Streamlit facilite le déploiement et l'utilisation de l'application sans connaissances techniques approfondies. Les utilisateurs peuvent démarrer l'inférence en direct d'un simple clic, ce qui améliore l'accessibilité et la convivialité.
• Utilisation efficace des ressources: YOLOv8 algorithme optimisé assure un traitement à grande vitesse avec un minimum de ressources informatiques. Cette efficacité permet une inférence fluide et fiable de la webcam, même sur du matériel standard, ce qui rend la vision par ordinateur avancée accessible à un public plus large.

Code d'application Streamlit

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

Cela lancera l'application Streamlit dans ton navigateur web par défaut. Tu verras le titre principal, le sous-titre et la barre latérale avec les options de configuration. Sélectionne le modèle YOLOv8 de ton choix, règle les seuils de confiance et de NMS, et clique sur le bouton "Start" pour commencer la détection d'objets en temps réel.

En option, tu peux fournir un modèle spécifique sur Python:

from ultralytics import solutions

# Pass a model as an argument
solutions.inference(model="path/to/model.pt")

### Make sure to run the file using command `streamlit run <file-name.py>`

Conclusion

En suivant ce guide, tu as réussi à créer une application de détection d'objets en temps réel à l'aide de Streamlit et de Ultralytics YOLOv8 . Cette application te permet d'expérimenter la puissance de YOLOv8 dans la détection d'objets à travers ta webcam, avec une interface conviviale et la possibilité d'arrêter le flux vidéo à tout moment.

Pour d'autres améliorations, tu peux explorer l'ajout de fonctionnalités supplémentaires telles que l'enregistrement du flux vidéo, la sauvegarde des images annotées ou l'intégration avec d'autres bibliothèques de vision par ordinateur.

Partagez vos réflexions avec la communauté

Engage-toi auprès de la communauté pour en savoir plus, résoudre les problèmes et partager tes projets :

Où trouver de l’aide et du soutien

• GitHub Issues : Visite le dépôt GitHub Ultralytics pour poser des questions, signaler des bogues et suggérer des fonctionnalités.
• Ultralytics Serveur Discord : Rejoins le serveur DiscordUltralytics pour te connecter avec d'autres utilisateurs et développeurs, obtenir de l'aide, partager des connaissances et trouver des idées.

Documentation officielle

• Ultralytics YOLOv8 Documentation : Reporte-toi à la documentation officielle de YOLOv8 pour obtenir des guides complets et des informations sur diverses tâches et projets de vision par ordinateur.

FAQ

Comment puis-je mettre en place une application de détection d'objets en temps réel en utilisant Streamlit et Ultralytics YOLOv8 ?

La mise en place d'une application de détection d'objets en temps réel avec Streamlit et Ultralytics YOLOv8 est très simple. Tout d'abord, assure-toi que le paquet Ultralytics Python est installé à l'aide de :

pip install ultralytics

Ensuite, tu peux créer une application Streamlit de base pour exécuter une inférence en direct :

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`

yolo streamlit-predict

Pour plus de détails sur la configuration pratique, reporte-toi à la section Code d'application Streamlit de la documentation.

Quels sont les principaux avantages de l'utilisation de Ultralytics YOLOv8 avec Streamlit pour la détection d'objets en temps réel ?

L'utilisation de Ultralytics YOLOv8 avec Streamlit pour la détection d'objets en temps réel offre plusieurs avantages :

• Détection transparente en temps réel: Réalise une détection d'objets en temps réel de haute précision directement à partir des flux de la webcam.
• Interface conviviale: L'interface intuitive de Streamlit permet une utilisation et un déploiement faciles sans connaissances techniques approfondies.
• Efficacité des ressources: les algorithmes optimisés de YOLOv8 garantissent un traitement à grande vitesse avec un minimum de ressources informatiques.

Découvre plus en détail ces avantages ici.

Comment déployer une application de détection d'objets Streamlit dans mon navigateur web ?

Après avoir codé ton application Streamlit en intégrant Ultralytics YOLOv8 , tu peux la déployer en exécutant :

streamlit run <file-name.py>

Cette commande lancera l'application dans ton navigateur Web par défaut, ce qui te permettra de sélectionner les modèles YOLOv8 , de définir la confiance et les seuils du NMS, et de démarrer la détection d'objets en temps réel d'un simple clic. Pour obtenir un guide détaillé, reporte-toi à la section Code de l'application Streamlit.

Quels sont les cas d'utilisation pour la détection d'objets en temps réel à l'aide de Streamlit et de Ultralytics YOLOv8 ?

La détection d'objets en temps réel à l'aide de Streamlit et de Ultralytics YOLOv8 peut être appliquée dans divers secteurs :

• Sécurité: Surveillance en temps réel des accès non autorisés.
• Commerce de détail: Comptage des clients, gestion des rayons, et plus encore.
• La faune et l'agriculture: Surveillance des animaux et de l'état des cultures.

Pour des cas d'utilisation et des exemples plus approfondis, explore Ultralytics Solutions.

Comment Ultralytics YOLOv8 se compare-t-il à d'autres modèles de détection d'objets comme YOLOv5 et RCNNs ?

Ultralytics YOLOv8 apporte plusieurs améliorations par rapport aux modèles précédents tels que YOLOv5 et RCNN :

• Vitesse et précision accrues: performances améliorées pour les applications en temps réel.
• Facilité d'utilisation: interfaces et déploiement simplifiés.
• Efficacité des ressources: Optimisé pour une meilleure vitesse avec des exigences informatiques minimales.

Pour une comparaison complète, consulte le siteUltralytics YOLOv8 Documentation et les articles de blog qui traitent des performances des modèles.

📅 Created 2 months ago ✏️ Updated 4 days ago

Commentaires